CN117540283A - 一种智能化电磁电器性能评估方法 - Google Patents

一种智能化电磁电器性能评估方法 Download PDF

Info

Publication number
CN117540283A
CN117540283A CN202410032206.6A CN202410032206A CN117540283A CN 117540283 A CN117540283 A CN 117540283A CN 202410032206 A CN202410032206 A CN 202410032206A CN 117540283 A CN117540283 A CN 117540283A
Authority
CN
China
Prior art keywords
electromagnetic
defect
appliance
task
performance evaluation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410032206.6A
Other languages
English (en)
Other versions
CN117540283B (zh
Inventor
冯云
周丽
徐岩
王月英
安玳宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Institute for Drug and Medical Device Control
Original Assignee
Hebei Institute for Drug and Medical Device Control
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Institute for Drug and Medical Device Control filed Critical Hebei Institute for Drug and Medical Device Control
Priority to CN202410032206.6A priority Critical patent/CN117540283B/zh
Publication of CN117540283A publication Critical patent/CN117540283A/zh
Application granted granted Critical
Publication of CN117540283B publication Critical patent/CN117540283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供了一种智能化电磁电器性能评估方法，属于电磁电器性能评估技术领域。该智能化电磁电器性能评估方法包括以下步骤：步骤1，使用电磁检测装置对电磁电器的表面和内部产生不同频率和强度的电磁场激励，同时采集电磁场的响应信号；步骤2，构建一个多任务神经网络模型，以从电磁场的响应信号中提取特征，并实现电磁电器的运行状态、故障类型和缺陷尺寸的多标签分类和回归；步骤3，利用多任务神经网络模型的输出建立一个缺陷三维轮廓重构模型，以根据电磁场的扰动和缺陷的类型和尺寸，生成缺陷的三维图像；步骤4，基于多任务神经网络模型和缺陷三维轮廓重构模型的集成输出，进行智能化电磁电器性能评估。

Description

一种智能化电磁电器性能评估方法
技术领域
本发明属于电磁电器性能评估技术领域，具体涉及一种智能化电磁电器性能评估方法。
背景技术
在现代科技和工程领域中，电磁电器的性能评估对于确保其可靠性、效率和安全性至关重要。电磁电器广泛应用于通信设备、家用电器以及工业自动化等多个领域，其性能直接影响到设备的运行稳定性和寿命。然而，传统的电磁电器性能评估方法往往依赖于单一指标或有限的检测手段，难以全面、精准地反映电器的运行状态、故障类型和缺陷尺寸。
在传统的电磁电器性能评估中，常常使用有限的传感器和简单的数据处理技术来监测电磁场，这限制了对电器内部复杂结构和不同工作状态的全面理解。此外，现有的评估方法通常缺乏智能化处理能力，难以应对多种故障类型和复杂的工作环境。为了满足电磁电器领域对更准确、全面、高效的性能评估的需求，提出了一种智能化电磁电器性能评估方法。
发明内容
为了克服现有技术存在的一系列缺陷，本申请的目的在于针对上述问题，提供一种智能化电磁电器性能评估方法，包括以下步骤。
步骤1，使用电磁检测装置对电磁电器的表面和内部产生不同频率和强度的电磁场激励，同时采集电磁场的响应信号。
步骤2，构建一个多任务神经网络模型，以从电磁场的响应信号中提取特征，并实现电磁电器的运行状态、故障类型和缺陷尺寸的多标签分类和回归。
步骤3，利用多任务神经网络模型的输出建立一个缺陷三维轮廓重构模型，以根据电磁场的扰动和缺陷的类型和尺寸，生成缺陷的三维图像。
步骤4，基于多任务神经网络模型和缺陷三维轮廓重构模型的集成输出，进行智能化电磁电器性能评估。
进一步的，步骤1包括以下步骤。
根据电磁电器的类型、尺寸和结构，确定检测方式和参数。
将电磁检测装置与电磁电器连接，或将电磁电器置于电磁检测装置的检测区域内，确保电磁场能够覆盖电磁电器的表面和内部。
启动电磁检测装置，对电磁电器进行电磁场激励，同时采集电磁场的响应信号，将信号传输到电磁检测装置的数据处理模块进行预处理。
进一步的，电磁检测装置基于复合交流电磁场理论模型设计；为了优化电磁检测装置的设计参数和实现方式，利用有限元法对不同的电磁场激励方案进行数值模拟，评估其对电磁电器的电磁场分布和扰动的影响，选择最佳的电磁场激励方案。
进一步的，步骤2包括以下步骤。
选择一个合适的深度神经网络架构，作为特征提取器，将电磁场的响应信号作为输入，输出一个高维的特征向量。
设计一个多任务学习的输出层，包括三个子层：一个用于运行状态的分类层，一个用于故障类型的分类层，和一个用于缺陷尺寸的回归层，每个子层都接收特征提取器的输出，并输出相应的预测值。
定义一个多任务学习的损失函数，并选择Adam算法进行模型训练。
更新深度神经网络的参数，最小化多任务学习的损失函数，并监控每个子任务的性能指标。
进一步的，多任务神经网络模型的训练目标是最小化所有任务的加权损失函数之和Ltotal，即：Ltotal=w1L1+w2L2+w3L3,其中，L1是第1个任务的损失函数，L2是第2个任务的损失函数，L3是第3个任务的损失函数，w1是第1个任务的权重,w2是第2个任务的权重,w3是第3个任务的权重,w1、w2与w3满足：w1+w2+w3=1；w1的计算公式为：w1 =((1/2)·g1)/Ω，w2的计算公式为：w2 =((1/2)·g2)/Ω，w3的计算公式为：w3 =((1/2)·g3)/Ω，其中，Ω=(1/2)·g1+(1/2)·g2+(1/2)·g3,g1是第1个任务的损失函数的梯度的范数，即g1 =‖▽θL1‖2,g2是第2个任务的损失函数的梯度的范数，即g2 =‖▽θL2‖2,g3是第3个任务的损失函数的梯度的范数，即g3 =‖▽θL3‖2,θ是模型的参数，损失函数的梯度越大，表明该任务越困难，分配给该任务的权重越大，反之亦然。
进一步的，步骤3包括以下步骤。
利用多任务神经网络模型的输出，获取缺陷的运行状态、故障类型和缺陷尺寸的预测值，作为缺陷三维轮廓重构的初始参数。
建立缺陷三维轮廓与电磁场响应信号之间的数学模型，用于模拟缺陷对电磁场的扰动效应。
通过最小化缺陷三维轮廓模型的输出与实际电磁场响应信号之间的误差，更新缺陷的形状参数。
利用三维图形绘制软件，根据缺陷的形状参数，生成缺陷的三维图像。
进一步的，利用图像识别技术，对不同的缺陷类型和尺寸进行分类和识别，利用三维重建技术，对不同的缺陷图像进行三维建模和渲染，评估其与实际缺陷的相似度，选择最佳的重构方法。
进一步的，缺陷三维轮廓与电磁场响应信号之间的数学模型基于缺陷对电磁场的扰动效应，其中，缺陷的三维轮廓用一个参数化的曲面来表示，即：S(ξ,η)=(x(ξ,η),y(ξ,η),z(ξ,η))，其中，ξ和η是曲面的参数，x(ξ,η)，y(ξ,η)和z(ξ,η)是曲面上的点的坐标。
缺陷三维轮廓与电磁场响应信号之间的数学模型采用基于迭代的优化方法，并用梯度下降法来求解，得到最优的曲面参数，从而重构缺陷的三维轮廓。
进一步的，步骤4包括以下步骤。
步骤4.1，将多任务神经网络模型和缺陷三维轮廓重构模型的输出作为输入，构建基于卷积神经网络的电磁电器性能评估模型，对电磁电器的运行状态、故障类型、缺陷尺寸和缺陷轮廓进行综合分析和评估。
步骤4.2，设计一个电磁电器性能评估的指标体系，根据不同的应用场景和需求，确定各个指标的权重。
步骤4.3，根据电磁电器性能评估模型的输出和指标体系，计算电磁电器的性能评估得分，给出电磁电器的性能评估报告，包括电磁电器的性能优势和不足，以及改进建议。
步骤4.4，搭建一个电磁电器性能评估平台，实现对不同类型、不同工况的电磁电器的性能评估数据的收集、存储、分析和展示，为电磁电器的设计、制造、运行、维护和管理提供数据支持和智能决策。
进一步的，步骤4.2包括以下步骤。
确定电磁电器的具体应用场景。
分析用户需求。
根据应用场景和需求，选择适用的性能指标。
根据不同的应用场景和需求，给出各个指标的权重。
进一步的，步骤4.3包括以下步骤。
使用电磁电器性能评估模型的输出和指标体系中的数据，计算每个性能指标的得分。
根据权重分配，将各个指标的得分加权求和，得到总体性能评估得分。
根据总体性能评估得分，确定电磁电器的性能优势和不足。
基于总体性能评估得分和指标数据，提出改进建议。
与现有技术相比，本申请至少具有如下技术效果或优点。
本申请整合电磁检测、深度学习等技术，为电磁电器的综合性能评估提供全面有效的解决方案，其中：采集电磁电器的响应信号，利用多任务神经网络模型提取特征，实现对运行状态、故障类型和缺陷尺寸的分类与回归，进行全面性能评估；并基于模型输出构建缺陷三维图像，直观理解电器缺陷；采用多任务学习实现多个指标的联合优化，适应多方面需求；根据场景和需求实现定制化评估；并提供改进建议，为电磁电器的优化提供指导。
附图说明
图1为本申请实施例提供的一种智能化电磁电器性能评估方法的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，列举本发明的优选实施例，对本发明作进一步的详细说明。
如图1所示，一种智能化电磁电器性能评估方法，包括以下步骤。
步骤1，使用电磁检测装置对电磁电器的表面和内部产生不同频率和强度的电磁场激励，同时采集电磁场的响应信号。
步骤2，构建一个多任务神经网络模型，以从电磁场的响应信号中提取特征，并实现电磁电器的运行状态、故障类型和缺陷尺寸的多标签分类和回归。
步骤3，利用多任务神经网络模型的输出建立一个缺陷三维轮廓重构模型，以根据电磁场的扰动和缺陷的类型和尺寸，生成缺陷的三维图像。
步骤4，基于多任务神经网络模型和缺陷三维轮廓重构模型的集成输出，进行智能化电磁电器性能评估。
本实施例中，步骤1的目的是通过电磁场的激励和响应，获取电磁电器的电磁特性和缺陷信息，为后续的分析和评估提供数据基础。步骤2的目的是通过深度学习的方法，从电磁场的响应信号中提取有用的特征，并实现对电磁电器的多维度的评估，包括运行状态、故障类型和缺陷尺寸。步骤3的目的是通过数学建模和图像处理的方法，根据电磁场的扰动和缺陷的类型和尺寸，重构缺陷的三维轮廓，为电磁电器的缺陷定位和识别提供更直观和准确的信息。步骤4的目的是对电磁电器的运行状态、故障类型、缺陷尺寸和缺陷轮廓进行综合分析和评估，给出电磁电器的性能评估得分和报告，为电磁电器的设计、制造、运行、维护和管理提供数据支持和智能决策。
进一步的，步骤1包括以下步骤。
根据电磁电器的类型、尺寸和结构，确定检测方式和参数，需要确保选择的电磁检测方式和参数能够充分覆盖电磁电器的特性，并确保检测结果的准确性和可靠性。
将电磁检测装置与电磁电器连接，或将电磁电器置于电磁检测装置的检测区域内，确保电磁场能够覆盖电磁电器的表面和内部，以确保全面的检测，目标是确保所有关键部分和结构都受到足够的电磁激励和响应。
启动电磁检测装置，对电磁电器进行电磁场激励，同时采集电磁场的响应信号，这一步骤的关键是确保激励和响应信号的采集是同步和协调的，以便后续的数据处理能够准确反映电磁电器的状态；将信号传输到电磁检测装置的数据处理模块进行预处理，在这个阶段，涉及到信号放大、滤波、去噪等处理，以提高信号的质量和准确性，这为后续的分析和解释提供了高质量的数据基础。
进一步的，电磁检测装置基于复合交流电磁场理论模型设计；为了优化电磁检测装置的设计参数和实现方式，利用有限元法对不同的电磁场激励方案进行数值模拟，评估其对电磁电器的电磁场分布和扰动的影响，选择最佳的电磁场激励方案。
本实施例中，电磁检测装置基于复合交流电磁场理论模型设计，可以产生不同频率和强度的电磁场，覆盖电磁电器的表面和内部，同时采用多通道和多模式的信号采集和处理技术，实现对电磁场的响应信号的高效采集和预处理。通过数值模拟，可以获取电磁场在电磁电器内外的分布情况，以及可能的异常信号或扰动，这些信息对于选择最佳的电磁场激励方案至关重要。
进一步的，步骤2包括以下步骤。
选择一个合适的深度神经网络架构，作为特征提取器，将电磁场的响应信号作为输入，输出一个高维的特征向量。
设计一个多任务学习的输出层，包括三个子层：一个用于运行状态的分类层，一个用于故障类型的分类层，和一个用于缺陷尺寸的回归层，每个子层都接收特征提取器的输出，并输出相应的预测值。
定义一个多任务学习的损失函数，并选择Adam算法进行模型训练。
更新深度神经网络的参数，最小化多任务学习的损失函数，并监控每个子任务的性能指标。
本实施例中，多任务神经网络模型采用软参数共享的方式，可以从电磁场的响应信号中提取特征，并实现电磁电器的多标签分类和回归，其优势包括：1）可以利用多个相关任务的数据和知识来提高模型性能，通过共享和分离特征，实现正则化和泛化的效果；2）也可以根据不同任务的特点和需求，灵活地调整模型的架构和参数，采用软参数共享的方式，避免了硬参数共享的局限性和负迁移的问题；3）可以利用多任务学习的损失函数和权重分配，动态地平衡不同任务的难度和重要性，优化模型的训练过程和目标；4）可以与其他技术相结合，如缺陷三维轮廓重构和电磁电器性能评估，提供更全面和准确的信息，为电磁电器的设计、制造、运行、维护和管理提供数据支持和智能决策。为了验证本申请的模型在智能化电磁电器性能评估方法中的效果，在四种不同类型的电磁电器上进行了实验，分别是电力变压器、电力电缆、电抗器和电力电子装备。将本申请的模型与单任务神经网络模型和硬参数共享的多任务神经网络模型进行了比较，具体为：单任务模型在电力变压器、电力电缆、电抗器以及电力电子装备的性能指标（性能指标是一个介于0到1之间的数值，越接近1表示性能越好，越接近0表示性能越差。性能指标综合了电磁电器的运行状态、故障类型、缺陷尺寸和缺陷轮廓等方面的信息，反映了电磁电器的整体性能水平）分别为：0.85、0.80、0.88、0.91；硬参数共享的多任务神经网络模型在电力变压器、电力电缆、电抗器以及电力电子装备的性能指标分别为：0.87、0.82、0.89、0.92；本申请的模型在电力变压器、电力电缆、电抗器以及电力电子装备的性能指标分别为：0.90、0.86、0.92、0.95。由此可见，本申请的模型在所有的四种电磁电器上都优于单任务模型和硬参数共享的多任务神经网络模型，说明本申请的模型能够有效地利用多任务学习的优势，同时避免了负迁移的问题。本申请的模型也具有较低的参数数量和较快的训练速度，相比于硬参数共享的多任务神经网络模型，本申请的模型可以灵活地调整每个任务的编码器，以适应不同电磁电器的特点。本申请的模型还可以很容易地扩展到更多的电磁电器和数据集，只需要增加相应的输出层和正则化项即可。综上所述，本申请的模型是一种高效和通用的多任务神经网络模型，具有良好的效果和可扩展性。
进一步的，多任务神经网络模型的训练目标是最小化所有任务的加权损失函数之和Ltotal，即：Ltotal=w1L1+w2L2+w3L3,其中，L1是第1个任务的损失函数，L2是第2个任务的损失函数，L3是第3个任务的损失函数，w1是第1个任务的权重,w2是第2个任务的权重,w3是第3个任务的权重,w1、w2与w3满足：w1+w2+w3=1；w1的计算公式为：w1 =((1/2)·g1)/Ω，w2的计算公式为：w2 =((1/2)·g2)/Ω，w3的计算公式为：w3 =((1/2)·g3)/Ω，其中，Ω=(1/2)·g1+(1/2)·g2+(1/2)·g3,g1是第1个任务的损失函数的梯度的范数，即g1 =‖▽θL1‖2,g2是第2个任务的损失函数的梯度的范数，即g2 =‖▽θL2‖2,g3是第3个任务的损失函数的梯度的范数，即g3 =‖▽θL3‖2,θ是模型的参数，损失函数的梯度越大，表明该任务越困难，分配给该任务的权重越大，反之亦然。
本实施例中，通过这种任务权重的动态分配方式，多任务神经网络模型能够更智能地调整学习策略，使得网络在面对多个任务时能够更加有效地学习并取得更好的性能。这种方法不仅考虑了任务之间的关系，还充分利用了任务的困难度信息，提高了模型的泛化能力。
进一步的，步骤3包括以下步骤。
利用多任务神经网络模型的输出，获取缺陷的运行状态、故障类型和缺陷尺寸的预测值，作为缺陷三维轮廓重构的初始参数，这一步骤的关键是获取有关缺陷的关键信息，为后续的轮廓重构提供基础。
建立缺陷三维轮廓与电磁场响应信号之间的数学模型，用于模拟缺陷对电磁场的扰动效应，这一步的目的是确保建立的模型能够准确反映缺陷引起的电磁场变化。
通过最小化缺陷三维轮廓模型的输出与实际电磁场响应信号之间的误差，更新缺陷的形状参数，通过这一步骤使得模拟的电磁场效应与实际观测的电磁场响应信号尽可能一致。
利用三维图形绘制软件，根据缺陷的形状参数，生成缺陷的三维图像。
通过上述一系列步骤，可以实现对电磁电器中缺陷的三维轮廓的重构。这种方法综合运用了神经网络模型和电磁场模拟，通过最小化模型预测与实际观测的误差，不断更新缺陷的形状参数，最终生成高度还原实际缺陷的三维图像。
进一步的，利用图像识别技术，对不同的缺陷类型和尺寸进行分类和识别，利用三维重建技术，对不同的缺陷图像进行三维建模和渲染，评估其与实际缺陷的相似度，选择最佳的重构方法。通过整合图像识别技术和三维重建技术，可以更全面、准确地分析和呈现电磁电器中的缺陷。这种方法不仅提高了对缺陷类型和尺寸的自动化识别能力，还通过三维建模和渲染技术实现了更直观的缺陷呈现。最终，选择最佳的重构方法有助于提高对电磁电器缺陷的理解和评估，为进一步的维护和修复提供了更可靠的依据。
进一步的，缺陷三维轮廓与电磁场响应信号之间的数学模型基于缺陷对电磁场的扰动效应，其中，缺陷的三维轮廓用一个参数化的曲面来表示，即：S(ξ,η)=(x(ξ,η),y(ξ,η),z(ξ,η))，其中，ξ和η是曲面的参数，x(ξ,η)，y(ξ,η)和z(ξ,η)是曲面上的点的坐标。
缺陷三维轮廓与电磁场响应信号之间的数学模型采用基于迭代的优化方法，并用梯度下降法来求解，得到最优的曲面参数，从而重构缺陷的三维轮廓。
本实施例中，为了验证缺陷三维轮廓模型的效果，在一个金属板上进行了实验，该金属板上有不同类型和尺寸的人工缺陷（裂纹1、裂纹2、孔洞1、孔洞2、夹杂1、夹杂2、腐蚀1和腐蚀2），使用电磁检测装置对金属板的表面和内部产生不同频率和强度的电磁场激励，同时采集电磁场的响应信号，然后利用缺陷三维轮廓模型对缺陷进行重构，得到三维图像，三维图像能够较好地重构出缺陷的形状和位置，与实际缺陷相符合。同时，还对缺陷的几何信息进行了测量，并计算了缺陷三维轮廓模型的重构误差：裂纹1的重构误差为2.3%、裂纹2的重构误差为2.7%、孔洞1的重构误差为1.8%、孔洞2的重构误差为2.1%、夹杂1的重构误差为2.5%、夹杂2的重构误差为2.9%、腐蚀1的重构误差为3.2%和腐蚀2的重构误差为3.6%。由上可见，缺陷三维轮廓模型的重构误差都在4%以内，具有较高的重构精度。
进一步的，步骤4包括以下步骤。
步骤4.1，将多任务神经网络模型和缺陷三维轮廓重构模型的输出作为输入，构建基于卷积神经网络的电磁电器性能评估模型，对电磁电器的运行状态、故障类型、缺陷尺寸和缺陷轮廓进行综合分析和评估。
步骤4.2，设计一个电磁电器性能评估的指标体系，根据不同的应用场景和需求，确定各个指标的权重和评价标准。
步骤4.3，根据电磁电器性能评估模型的输出和指标体系，计算电磁电器的性能评估得分，给出电磁电器的性能评估报告，包括电磁电器的性能优势和不足，以及改进建议。
步骤4.4，搭建一个电磁电器性能评估平台，实现对不同类型、不同工况的电磁电器的性能评估数据的收集、存储、分析和展示，为电磁电器的设计、制造、运行、维护和管理提供数据支持和智能决策。
进一步的，步骤4.2包括以下步骤。
明确应用场景和需求：确定电磁电器的具体应用场景，包括通信设备、家用电器以及工业自动化；分析用户需求，包括对电磁兼容性、电能质量、可靠性、缺陷轮廓方面的要求。
指标选择：根据应用场景和需求，选择适用的性能指标，其中：电磁兼容性包括电磁辐射、传导骚扰，电能质量包括电压波动、谐波、闪变，可靠性包括寿命、故障率。
权重分配：根据不同的应用场景和需求，选择合适的赋权方法。赋权方法可以使用客观赋权法，客观赋权法是根据数据本身的信息量和特征，给出各个指标的相对重要性，常用的方法有熵值法、因子分析法、主成分分析法、模糊综合评价法、灰色关联法等。具体的赋权方法的选择和应用，需要根据指标的特点和数据的性质进行分析和比较，选择最适合的方法。
评价标准：为每个指标制定评价标准，明确不同级别的性能表现。
进一步的，步骤4.3包括以下步骤。
使用电磁电器性能评估模型的输出和指标体系中的数据，计算每个性能指标的得分。
根据权重分配，将各个指标的得分加权求和，得到总体性能评估得分。
根据总体性能评估得分，确定电磁电器的性能优势和不足。
基于总体性能评估得分和指标数据，提出改进建议。
使用本实施例的电磁电器性能评估方法对一个用于控制高压电路的电磁继电器进行性能评估，电磁继电器是一种利用电磁铁控制的自动开关，可以用低电压和弱电流来控制高电压和强电流，实现远距离操作。选择电磁辐射强度、电能质量、可靠性以及缺陷轮廓四个性能指标。
电磁辐射强度：反映了电磁继电器对周围环境的电磁干扰程度，影响了其他电子设备的正常工作。电磁辐射强度越低，电磁兼容性越好。
电能质量：反映了电磁继电器的工作效率和能耗，影响了电磁继电器的寿命和运行成本。电能质量越高，电磁继电器越节能。
可靠性：反映了电磁继电器的故障率和稳定性，影响了电磁继电器的安全性和维护性。可靠性越高，电磁继电器越可信。
缺陷轮廓：反映了电磁继电器的动态特性，影响了电磁继电器的响应速度和灵敏度。缺陷轮廓越平滑，电磁继电器越灵活。
使用电磁电器性能评估模型的输出和指标体系中的数据，计算得出电磁辐射强度得分为80、电能质量得分为85、可靠性得分为90、缺陷轮廓得分为95。
该电磁继电器用于控制高压电路，可靠性和电磁辐射强度是最重要的指标，使用熵值法计算出每个指标的权重：电磁辐射强度的权重为0.3、电能质量的权重为0.1、可靠性的权重为0.4、缺陷轮廓的权重为0.2。
根据权重分配，将各个指标的得分加权求和，得到总体性能评估得分=0.3×80+0.1×85+0.4×90+0.2×95=87.5。
根据总体性能评估得分，可以确定电磁电器的性能优势和不足，以及给出改进建议。
该电磁电器的总体性能评估得分为87.5，属于良好水平（优秀：90分以上；良好：80分以上，90分以下；合格：70分以上，80分以下；不合格：70分以下），表明该电磁电器具有较高的电磁兼容性、电能质量、可靠性和缺陷轮廓识别能力。
该电磁电器的性能优势在于缺陷轮廓和可靠性，得分分别为95和90，高于其他指标，说明该电磁电器能够有效地检测和定位缺陷，以及保证长期稳定的运行。
该电磁电器的性能不足在于电磁辐射强度和电能质量，得分分别为80和85，低于其他指标，说明该电磁电器的电磁辐射和电能损耗还有改进的空间。
为了提高该电磁电器的性能，建议采取以下措施。
减少电磁辐射的强度和范围。
增加电磁电器的电能转换效率，降低电压波动、谐波、闪变等电能质量问题的发生。
定期对电磁电器进行维护和检测，及时发现和排除故障，延长寿命。
提高缺陷三维图像的清晰度和真实度。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种智能化电磁电器性能评估方法，其特征在于，包括以下步骤：
步骤1，使用电磁检测装置对电磁电器的表面和内部产生不同频率和强度的电磁场激励，同时采集电磁场的响应信号；
步骤2，构建一个多任务神经网络模型，以从电磁场的响应信号中提取特征，并实现电磁电器的运行状态、故障类型和缺陷尺寸的多标签分类和回归；
步骤3，利用多任务神经网络模型的输出建立一个缺陷三维轮廓重构模型，以根据电磁场的扰动和缺陷的类型和尺寸，生成缺陷的三维图像；
步骤4，基于多任务神经网络模型和缺陷三维轮廓重构模型的集成输出，进行智能化电磁电器性能评估。
2.根据权利要求1所述的一种智能化电磁电器性能评估方法，其特征在于，步骤1包括以下步骤：
根据电磁电器的类型、尺寸和结构，确定检测方式和参数；
将电磁检测装置与电磁电器连接，或将电磁电器置于电磁检测装置的检测区域内，确保电磁场能够覆盖电磁电器的表面和内部；
启动电磁检测装置，对电磁电器进行电磁场激励，同时采集电磁场的响应信号，将信号传输到电磁检测装置的数据处理模块进行预处理。
3.根据权利要求1所述的一种智能化电磁电器性能评估方法，其特征在于，步骤2包括以下步骤：
选择一个合适的深度神经网络架构，作为特征提取器，将电磁场的响应信号作为输入，输出一个高维的特征向量；
设计一个多任务学习的输出层，包括三个子层：一个用于运行状态的分类层，一个用于故障类型的分类层，和一个用于缺陷尺寸的回归层，每个子层都接收特征提取器的输出，并输出相应的预测值；
定义一个多任务学习的损失函数，并选择Adam算法进行模型训练；
更新深度神经网络的参数，最小化多任务学习的损失函数，并监控每个子任务的性能指标。
4.根据权利要求3所述的一种智能化电磁电器性能评估方法，其特征在于，多任务神经网络模型的训练目标是最小化所有任务的加权损失函数之和Ltotal，即：Ltotal = w1L1+w2L2+w3L3，其中，L1是第1个任务的损失函数，L2是第2个任务的损失函数，L3是第3个任务的损失函数，w1是第1个任务的权重，w2是第2个任务的权重，w3是第3个任务的权重，w1、w2与w3满足：w1+w2+w3=1；w1的计算公式为：w1 =((1/2)·g1)/Ω，w2的计算公式为：w2 =((1/2)·g2)/Ω，w3的计算公式为：w3 =((1/2)·g3)/Ω，其中，Ω=(1/2)·g1+(1/2)·g2+(1/2)·g3，g1是第1个任务的损失函数的梯度的范数，即g1 =‖▽θL1‖2，g2是第2个任务的损失函数的梯度的范数，即g2 =‖▽θL2‖2，g3是第3个任务的损失函数的梯度的范数，即g3 =‖▽θL3‖2，θ是模型的参数。
5.根据权利要求1所述的一种智能化电磁电器性能评估方法，其特征在于，步骤3包括以下步骤：
利用多任务神经网络模型的输出，获取缺陷的运行状态、故障类型和缺陷尺寸的预测值，作为缺陷三维轮廓重构的初始参数；
建立缺陷三维轮廓与电磁场响应信号之间的数学模型，用于模拟缺陷对电磁场的扰动效应；
通过最小化缺陷三维轮廓模型的输出与实际电磁场响应信号之间的误差，更新缺陷的形状参数；
利用三维图形绘制软件，根据缺陷的形状参数，生成缺陷的三维图像。
6.根据权利要求5所述的一种智能化电磁电器性能评估方法，其特征在于，利用图像识别对不同的缺陷类型和尺寸进行分类和识别，利用三维重建对不同的缺陷图像进行三维建模和渲染，评估其与实际缺陷的相似度，选择最佳的重构方法。
7.根据权利要求5所述的一种智能化电磁电器性能评估方法，其特征在于，缺陷三维轮廓与电磁场响应信号之间的数学模型基于缺陷对电磁场的扰动效应，其中，缺陷的三维轮廓用一个参数化的曲面来表示，即：S(ξ，η)=(x(ξ，η)，y(ξ，η)，z(ξ，η))，其中，ξ和η是曲面的参数，x(ξ，η)，y(ξ，η)和z(ξ，η)是曲面上的点的坐标；
缺陷三维轮廓与电磁场响应信号之间的数学模型采用基于迭代的优化方法，并用梯度下降法来求解，得到最优的曲面参数，从而重构缺陷的三维轮廓。
8.根据权利要求1所述的一种智能化电磁电器性能评估方法，其特征在于，步骤4包括以下步骤：
步骤4.1，将多任务神经网络模型和缺陷三维轮廓重构模型的输出作为输入，构建基于卷积神经网络的电磁电器性能评估模型，对电磁电器的运行状态、故障类型、缺陷尺寸和缺陷轮廓进行综合分析和评估；
步骤4.2，设计一个电磁电器性能评估的指标体系，根据不同的应用场景和需求，确定各个指标的权重；
步骤4.3，根据电磁电器性能评估模型的输出和指标体系，计算电磁电器的性能评估得分，给出电磁电器的性能评估报告，包括电磁电器的性能优势和不足以及改进建议；
步骤4.4，搭建一个电磁电器性能评估平台，实现对不同类型、不同工况的电磁电器的性能评估数据的收集、存储、分析和展示，为电磁电器的设计、制造、运行、维护和管理提供数据支持和智能决策。
9.根据权利要求8所述的一种智能化电磁电器性能评估方法，其特征在于，步骤4.2包括以下步骤：
确定电磁电器的具体应用场景；
分析用户需求；
根据应用场景和需求，选择适用的性能指标；
根据不同的应用场景和需求，给出各个指标的权重。
10.根据权利要求8所述的一种智能化电磁电器性能评估方法，其特征在于，步骤4.3包括以下步骤：
使用电磁电器性能评估模型的输出和指标体系中的数据，计算每个性能指标的得分；
根据权重分配，将各个指标的得分加权求和，得到总体性能评估得分；
根据总体性能评估得分，确定电磁电器的性能优势和不足；
基于总体性能评估得分和指标数据，提出改进建议。
CN202410032206.6A 2024-01-10 2024-01-10 一种智能化电磁电器性能评估方法 Active CN117540283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410032206.6A CN117540283B (zh) 2024-01-10 2024-01-10 一种智能化电磁电器性能评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410032206.6A CN117540283B (zh) 2024-01-10 2024-01-10 一种智能化电磁电器性能评估方法

Publications (2)

Publication Number Publication Date
CN117540283A true CN117540283A (zh) 2024-02-09
CN117540283B CN117540283B (zh) 2024-04-26

Family

ID=89782721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410032206.6A Active CN117540283B (zh) 2024-01-10 2024-01-10 一种智能化电磁电器性能评估方法

Country Status (1)

Country Link
CN (1) CN117540283B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963491A (zh) * 2006-12-08 2007-05-16 清华大学 基于三维有限元神经网络的缺陷识别和量化评价方法
CN104899868A (zh) * 2015-05-12 2015-09-09 清华大学 三维漏磁检测缺陷复合反演成像方法
CN107067341A (zh) * 2017-04-01 2017-08-18 重庆大学 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法
US20200210826A1 (en) * 2018-12-29 2020-07-02 Northeastern University Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection
CN113567785A (zh) * 2021-07-24 2021-10-29 福州大学 一种智能化电磁电器性能评估方法及系统
CN113988655A (zh) * 2021-10-30 2022-01-28 国网河南省电力公司电力科学研究院 一种计及多气象因素的输电线路运行状态评估方法
CN113984880A (zh) * 2021-10-27 2022-01-28 清华大学 对管道金属损失缺陷生成三维轮廓的方法及装置
CN115758289A (zh) * 2023-01-10 2023-03-07 西南交通大学 一种基于多任务学习神经网络的钢轨波磨识别方法
CN116718924A (zh) * 2023-06-13 2023-09-08 东南大学 一种基于电磁检测技术的数字孪生电池构建方法
CN117173461A (zh) * 2023-08-29 2023-12-05 湖北盛林生物工程有限公司 一种多视觉任务的灌装容器缺陷检测方法、系统及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963491A (zh) * 2006-12-08 2007-05-16 清华大学 基于三维有限元神经网络的缺陷识别和量化评价方法
CN104899868A (zh) * 2015-05-12 2015-09-09 清华大学 三维漏磁检测缺陷复合反演成像方法
CN107067341A (zh) * 2017-04-01 2017-08-18 重庆大学 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法
US20200210826A1 (en) * 2018-12-29 2020-07-02 Northeastern University Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection
CN113567785A (zh) * 2021-07-24 2021-10-29 福州大学 一种智能化电磁电器性能评估方法及系统
CN113984880A (zh) * 2021-10-27 2022-01-28 清华大学 对管道金属损失缺陷生成三维轮廓的方法及装置
CN113988655A (zh) * 2021-10-30 2022-01-28 国网河南省电力公司电力科学研究院 一种计及多气象因素的输电线路运行状态评估方法
CN115758289A (zh) * 2023-01-10 2023-03-07 西南交通大学 一种基于多任务学习神经网络的钢轨波磨识别方法
CN116718924A (zh) * 2023-06-13 2023-09-08 东南大学 一种基于电磁检测技术的数字孪生电池构建方法
CN117173461A (zh) * 2023-08-29 2023-12-05 湖北盛林生物工程有限公司 一种多视觉任务的灌装容器缺陷检测方法、系统及介质

Also Published As

Publication number Publication date
CN117540283B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
WO2021232655A1 (zh) 一种基于振动特征的高压并联电抗器机械状态评估方法
Li et al. A nonintrusive load identification model based on time-frequency features fusion
Chen et al. A health index construction framework for prognostics based on feature fusion and constrained optimization
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN115683235B (zh) 一种工业机器人伺服电机振动故障检测方法及装置
CN117713221A (zh) 一种微逆光伏并网优化系统
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN117289668B (zh) 分布式减速机网络协同控制方法、装置、设备及存储介质
CN117540283B (zh) 一种智能化电磁电器性能评估方法
CN112214911B (zh) 一种电源的健康状态预测方法
CN116596408B (zh) 一种储能集装箱温控能力评价方法及系统
CN117634905A (zh) 一种电网业务数据特征提取方法
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
Machlev et al. Explaining the decisions of deep learning models for load disaggregation (NILM) based on XAI
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN115864644A (zh) 一种继电保护装置状态评价方法、系统、设备及介质
CN115496233A (zh) 一种基于马尔可夫模型的数据中台运行故障预测方法
CN115081304A (zh) 抽水蓄能机组轴系健康性能趋势区间预测的方法及装置
Zhang et al. Research on intelligent health management technology of opto-electronic equipment
CN117314370B (zh) 一种基于智慧能源的数据驾驶舱系统及实现方法
Ma et al. A Novel Hybrid Feature Importance and Feature Interaction Detection Framework for Predictive Optimization in Industry 4.0 Applications
CN117829822B (zh) 一种电力变压器故障预警方法及系统
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN117992776B (zh) 基于人工智能的电网设备健康状态实时预测方法
Cao et al. Bearing remaining useful life prediction based on optimized support vector regression model with denoising technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant